Die Debugging-Disziplin

Vorschau der Lektion

Bevor du irgendeine Fehlermeldung in eine KI einfügst, mach vier Dinge. Erstens: Lies, was der Fehler wortwörtlich besagt – die Datei, die Zeilennummer, den Fehlertyp, die Nachricht. Überfliege es nicht; lies es wirklich. Zweitens: Formuliere eine Ein-Satz-Hypothese. Schriftlich, selbst wenn du dir nicht sicher bist. Drittens: Jetzt ziehe die KI zurate – aber du überprüfst eine Hypothese, anstatt ein Orakel für dich denken zu lassen. Die Lücke zwischen dem, was du für falsch gehalten hast, und dem, was tatsächlich falsch war? Genau diese Lücke ist dein gesamter Lernplan. Hier ist, was dir jeder Trace beibringt. Trace 1 – TypeError: Cannot read properties of undefined. ok zuerst. ok mit einem strukturierten Fehler, dann validiere die Erfolgsform mit Zod. elements ?? []) – das lässt den Absturz zwar verschwinden, verschluckt Fehler künftig aber nur noch stillschweigend. content: Input should be a valid list. Wahre Ursache: Ein Assistant-Tool-Use-Turn wurde als reiner String wiedergegeben. content wörtlich; typisiere die History-Struktur, damit das nicht noch einmal unbemerkt passiert. Trace 3 – relation does not exist (funktioniert lokal, schlägt im Staging fehl). Wahre Ursache: Die Migration wurde nie auf Staging angewendet. Echter Fix: Die Migration liegt im Repo; CI prüft, ob die Migrationshistorie zum Zielprojekt passt. Trace 4 – 429 Contention über Accounts hinweg. Oben im Beispiel ausführlich behandelt. Beharrlichere Retries können Contention zwischen Requests nicht beheben. slice(0, 50) wird hinzugefügt. Wahre Ursache: Das „Performance-Limit“ hat heimlich die Semantik verändert – das Modell hat nur eine Stichprobe zusammengefasst, während der Report Gesamtsummen anführte. Echter Fix: Berechne Gesamtsummen im Code über alle Zeilen; übergib berechnete Aggregate an das Modell. Wenn die Kontextlänge zur Kürzung zwingt, kürze Detailzeilen – niemals Zahlen.

Häufig gestellte Fragen

Für wen ist „Die Debugging-Disziplin“?

Dieses Experte-Modul aus AI Delivery Skills & Workflows ist für Operator, Gründerinnen und Gründer sowie Growth-Teams, die KI in echter Arbeit einsetzen und Urteilsvermögen auf Produktionsniveau wollen. Es dauert etwa 10 Minuten und endet mit einem Quiz aus 5 Fragen.

Muss ich programmieren können?

Nicht, um der Lektion zu folgen. Die Konzepte werden in einfacher Sprache erklärt; wenn du selbst KI-Systeme baust, zeigt die Übung, wo sich die Ideen im Code wiederfinden.

Was kommt vor und nach diesem Modul?

Vor „Die Debugging-Disziplin“ solltest du „Prompt Engineering in Produktionsqualität“ machen (Modul 6 von AI Delivery Skills & Workflows). Es ist das letzte Modul von AI Delivery Skills & Workflows; mach danach mit einem anderen Band des Curriculums weiter.

Ähnliche Module

• Previous
  Prompt Engineering in Produktionsqualität

  Prompts als versionierte, schemavalidierte Software – nicht nach Bauchgefühl.

• Gleiches Thema
  Observability & Tracing

  Als Erstes in deiner Build-Reihenfolge, auch wenn es an vierter Stelle steht – Fehleranalyse braucht Traces zum Auswerten.

• Gleiches Thema
  Debugging von KI-Workflows

  Finde den fehlerhaften Schritt, erstelle die minimale Reproduktion, behebe das eigentliche Problem.